Rete Neurale a Wavelet
Una rete neurale a wavelet (WNN) è un'architettura di approssimazione di funzioni che utilizza funzioni wavelet come funzioni di attivazione al posto delle tradizionali funzioni sigmoide o ReLU. Introdotte da Zhang e Benveniste (1992), le WNN combinano le proprietà di decomposizione multi-scala delle wavelet con le capacità di apprendimento delle reti neurali. Il risultato è un modello non parametrico flessibile in grado di catturare caratteristiche localizzate e pattern multi-risoluzione in modo efficiente, con meno parametri e una migliore interpretabilità rispetto alle reti profonde standard.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Zhang, Q., & Benveniste, A. (1992). Wavelet networks. IEEE Transactions on Neural Networks, 3(6), 889–898. DOI: 10.1109/72.165591 ↗
- Pati, Y. C., & Krishnaprasad, P. S. (1992). Nonlinear dynamics and signal processing in the cochlea. ICASSP, pp. V373–V376. link ↗
- Misiti, M., Misiti, Y., Oppenheim, G., & Poggi, J. M. (1997). Wavelet Toolbox. The Mathworks. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Wavelet Neural Network. ScholarGate. https://scholargate.app/it/time-series/wavelet-neural-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Multilayer Perceptron (MLP)Apprendimento profondo↔ compare
- Reti neurali ricorrentiApprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →